协同过滤

准确率 召回率 覆盖率 平均流行度

1.基于领域的算法

a.基于用户的协同过滤算法 --- 计算复杂度比较高

   步骤：1.找到和目标用户兴趣相似的用户集合-----统计当前用户中的物品类似的

              2.找到这个集合汇总用户喜欢，并且目标用户没有听说的物品推荐给目标用户

    计算u和v的兴趣相似度jaccard公式（交/并）和预先相似度()

b.基于物品的协同过滤算法  --- 合适线下处理

   步骤：1.计算物品之间的相似度. （喜欢物品i的用户中有多少喜欢物品j）----统计物品的相似度是同时有多少人喜欢的

             2.根据物品的相似度和用户的历史行为给用户生成推荐列表

Customers who bought this item also bought

2.基于图模型（用户行为数据的二分图表示）

  a.基于图的推荐算法

    影响因素：1两个顶点之间的路径数 2两个顶点之间路径的长度 3两个顶点之间路径经过的顶点

    相关性高的一对顶点：

   1两个顶点之间有很多路径相连

   2连接两个顶点之间的路径长度都比较短

   3连接两个顶点之间的路径不会经过初读比较大的顶点

基于随机游走的PersonalRank算法